基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)直線電機(jī)定位力辨識(shí)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種辨識(shí)直線電機(jī)定位力的方法，具體涉及一種基于遺傳算法優(yōu)化神 經(jīng)網(wǎng)絡(luò)直線電機(jī)定位力辨識(shí)方法。
【背景技術(shù)】
[0002] 隨著工業(yè)技術(shù)的發(fā)展，直線電機(jī)在各種伺服系統(tǒng)中應(yīng)用廣泛。在高精度伺服系統(tǒng) 中，需要辨識(shí)直線電機(jī)定位力以進(jìn)行補(bǔ)償提高控制精度。
[0003] 傳統(tǒng)辨識(shí)方法存在對(duì)于該方法所需要的定位力數(shù)學(xué)模型精度要求高，每次建模只 適用于該次辨識(shí)對(duì)象，具有局限性等問(wèn)題。傳統(tǒng)辨識(shí)方法無(wú)法在工程上補(bǔ)償直線電機(jī)定位 力前及時(shí)給出精確定位力模型。
[0004] 當(dāng)不采用辨識(shí)方法對(duì)直線電機(jī)定位力進(jìn)行辨識(shí)時(shí)，就無(wú)法實(shí)現(xiàn)對(duì)直線電機(jī)的定位 力補(bǔ)償，在高精度伺服系統(tǒng)中會(huì)提高控制難度，難以保證系統(tǒng)精度；當(dāng)采用傳統(tǒng)辨識(shí)方法對(duì) 直線電機(jī)定位力進(jìn)行辨識(shí)時(shí)，需要保證辨識(shí)對(duì)象模型的精確性，否則會(huì)有較大辨識(shí)誤差，而 且辨識(shí)算法程序僅適用于當(dāng)前對(duì)象，具有局限性。

【發(fā)明內(nèi)容】

[0005] 為了克服傳統(tǒng)定位力辨識(shí)方法的局限性并實(shí)現(xiàn)直線電機(jī)定位力辨識(shí)，本發(fā)明提供 了一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)直線電機(jī)定位力辨識(shí)方法。由采集的數(shù)據(jù)，經(jīng)由遺傳算 法對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，再通過(guò)神經(jīng)網(wǎng)絡(luò)辨識(shí)，可得到比較精確的直線電機(jī)定位力模 型，而且算法程序可對(duì)采集的不同對(duì)象進(jìn)行辨識(shí)，具有通用性。
[0006] 本發(fā)明的目的是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：
[0007] -種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)直線電機(jī)定位力辨識(shí)方法，包括以下步驟：
[0008] 步驟一：由加速度傳感器采集直線電機(jī)勻速拖動(dòng)數(shù)據(jù)并換算為定位力數(shù)據(jù)。
[0009] 步驟二：確定神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。
[0010] 步驟三：初始化神經(jīng)網(wǎng)絡(luò)各個(gè)參數(shù)。
[0011] 步驟四：定義遺傳算法適應(yīng)度函數(shù)為預(yù)測(cè)數(shù)據(jù)誤差。
[0012] 步驟五：將步驟三中的神經(jīng)網(wǎng)絡(luò)參數(shù)作為個(gè)體，執(zhí)行遺傳算法。
[0013] 步驟六：當(dāng)達(dá)到最大進(jìn)化次數(shù)時(shí)，結(jié)束遺傳算法優(yōu)化過(guò)程，得到最優(yōu)參數(shù)，進(jìn)行步 驟七，否則執(zhí)行步驟五。
[0014] 步驟七：將最優(yōu)參數(shù)賦到神經(jīng)網(wǎng)絡(luò)。
[0015] 步驟八：訓(xùn)練神經(jīng)網(wǎng)絡(luò)更新參數(shù)。
[0016] 步驟九：達(dá)到訓(xùn)練次數(shù)，則用訓(xùn)練后網(wǎng)絡(luò)進(jìn)行辨識(shí)，否則執(zhí)行步驟八。
[0017] 本發(fā)明有以下優(yōu)點(diǎn)：
[0018] 1、本方法不需要定位力精確數(shù)學(xué)模型，不會(huì)產(chǎn)生由于數(shù)學(xué)模型不準(zhǔn)確而導(dǎo)致的理 論誤差；
[0019] 2、本方法實(shí)現(xiàn)后的算法程序應(yīng)用具有通用性和自適應(yīng)性，在辨識(shí)精度要求不變的 前提下，不需要針對(duì)每次辨識(shí)修改算法程序。
【附圖說(shuō)明】
[0020] 圖1為本發(fā)明算法流程圖；
[0021] 圖2為本發(fā)明辨識(shí)主體神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖；
[0022] 圖3為采用本發(fā)明對(duì)直線電機(jī)定位力辨識(shí)結(jié)果及其與實(shí)際直線電機(jī)定位力的對(duì) 比圖像。
【具體實(shí)施方式】
[0023] 下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步的說(shuō)明，但并不局限于此，凡是對(duì)本 發(fā)明技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的精神和范圍，均應(yīng)涵蓋 在本發(fā)明的保護(hù)范圍中。
[0024] 本發(fā)明提供了一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)直線電機(jī)定位力辨識(shí)方法，如圖1 所示，具體步驟如下：
[0025] 步驟一：將由加速度傳感器采集的目標(biāo)直線電機(jī)勻速拖動(dòng)加速度數(shù)據(jù)經(jīng)公式F = m · a轉(zhuǎn)換成所需的定位力數(shù)據(jù)并進(jìn)行歸一化處理。
[0026] 步驟二：確定神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，其拓?fù)浣Y(jié)構(gòu)如圖2所示，分為三部分：輸入層、隱 含層和輸出層。
[0027] 步驟三：初始化神經(jīng)網(wǎng)絡(luò)參數(shù)：wQj、wljk、 ai j、b，aQj為輸入層到第一層隱含層第j個(gè) 節(jié)點(diǎn)的閾值；^為第i層隱含層到第i+Ι層隱含層第j個(gè)節(jié)點(diǎn)的閾值；《。,為輸入層與第一 層隱含層第j個(gè)節(jié)點(diǎn)之間的權(quán)值;w1]k為第i層隱含層中第j個(gè)節(jié)點(diǎn)到第i+Ι層隱含層第k 個(gè)節(jié)點(diǎn)之間的權(quán)值；b為最后一層隱含層到輸出層節(jié)點(diǎn)的閾值。
[0028] 步驟四：定義遺傳算法適應(yīng)度函數(shù)為預(yù)測(cè)數(shù)據(jù)誤差。
[0029] 步驟五：將步驟三中的神經(jīng)網(wǎng)絡(luò)參數(shù)作為個(gè)體，采用遺傳算法在個(gè)體中作選擇、變 異、交叉操作。
[0030] 步驟六：當(dāng)達(dá)到預(yù)設(shè)的進(jìn)化次數(shù)時(shí)，結(jié)束遺傳算法優(yōu)化過(guò)程，得到最優(yōu)個(gè)體，即最 優(yōu)參數(shù)，進(jìn)行步驟七，否則執(zhí)行步驟五。
[0031] 步驟七：將最優(yōu)參數(shù)賦到神經(jīng)網(wǎng)絡(luò)。
[0032] 步驟八：按（1)-⑶式進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，其中H1,為第i層隱含層中第j個(gè)節(jié) 點(diǎn)的輸出；X為網(wǎng)絡(luò)輸入，即被辨識(shí)目標(biāo)直線電機(jī)運(yùn)動(dòng)的位移；Y為網(wǎng)絡(luò)輸出，即被辨識(shí)目標(biāo) 直線電機(jī)對(duì)應(yīng)于X的定位力；a。,為輸入層到第一層隱含層第j個(gè)節(jié)點(diǎn)的閾值；a u為第i層 隱含層到第i+Ι層隱含層第j個(gè)節(jié)點(diǎn)的閾值；W(]]為輸入層與第一層隱含層第j個(gè)節(jié)點(diǎn)之間 的權(quán)值;']k為第i層隱含層中第j個(gè)節(jié)點(diǎn)到第i+Ι層隱含層第k個(gè)節(jié)點(diǎn)之間的權(quán)值；b為 最后一層隱含層到輸出層節(jié)點(diǎn)的閾值；Ii1為第i層隱含層的節(jié)點(diǎn)數(shù)。
[0036] 步驟九：當(dāng)達(dá)到預(yù)設(shè)訓(xùn)練次數(shù)之后，停止訓(xùn)練并對(duì)給定位置的定位力進(jìn)行辨識(shí)，否 則執(zhí)行步驟八。
[0037] 采用本發(fā)明對(duì)直線電機(jī)定位力辨識(shí)結(jié)果及其與實(shí)際直線電機(jī)定位力的對(duì)比圖像 如圖3所示。
【主權(quán)項(xiàng)】
1. 一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)直線電機(jī)定位力辨識(shí)方法，其特征在于所述方法步 驟如下： 步驟一：由加速度傳感器采集直線電機(jī)勻速拖動(dòng)數(shù)據(jù)并換算為定位力數(shù)據(jù)； 步驟二：確定神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)； 步驟三：初始化神經(jīng)網(wǎng)絡(luò)各個(gè)參數(shù)； 步驟四：定義遺傳算法適應(yīng)度函數(shù)為預(yù)測(cè)數(shù)據(jù)誤差； 步驟五：將步驟三中的神經(jīng)網(wǎng)絡(luò)參數(shù)作為個(gè)體，執(zhí)行遺傳算法； 步驟六：當(dāng)達(dá)到最大進(jìn)化次數(shù)時(shí)，結(jié)束遺傳算法優(yōu)化過(guò)程，得到最優(yōu)參數(shù)，進(jìn)行步驟七， 否則執(zhí)行步驟五； 步驟七：將最優(yōu)參數(shù)賦到神經(jīng)網(wǎng)絡(luò)； 步驟八：訓(xùn)練神經(jīng)網(wǎng)絡(luò)更新參數(shù)； 步驟九：達(dá)到訓(xùn)練次數(shù)，則用訓(xùn)練后網(wǎng)絡(luò)進(jìn)行辨識(shí)，否則執(zhí)行步驟八。2. 根據(jù)權(quán)利要求1所述的基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)直線電機(jī)定位力辨識(shí)方法，其特 征在于所述步驟二中，神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)分為三部分：輸入層、隱含層和輸出層。3. 根據(jù)權(quán)利要求1所述的基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)直線電機(jī)定位力辨識(shí)方法，其特 征在于所述步驟三中，初始化神經(jīng)網(wǎng)絡(luò)參數(shù)包括 ％]、w1]k、alPb，&(]]為輸入層到第一層隱含 層第j個(gè)節(jié)點(diǎn)的閾值；\為第i層隱含層到第i+1層隱含層第j個(gè)節(jié)點(diǎn)的閾值;w。,為輸入 層與第一層隱含層第j個(gè)節(jié)點(diǎn)之間的權(quán)值;w1]k為第i層隱含層中第j個(gè)節(jié)點(diǎn)到第i+1層隱 含層第k個(gè)節(jié)點(diǎn)之間的權(quán)值；b為最后一層隱含層到輸出層節(jié)點(diǎn)的閾值。4. 根據(jù)權(quán)利要求1所述的基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)直線電機(jī)定位力辨識(shí)方法，其特 征在于所述步驟五中，采用遺傳算法在個(gè)體中作選擇、變異、交叉操作。5. 根據(jù)權(quán)利要求1所述的基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)直線電機(jī)定位力辨識(shí)方法，其特 征在于所述步驟八中，按（1)-(3)式進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，其中^為第i層隱含層中第j 個(gè)節(jié)點(diǎn)的輸出；X為網(wǎng)絡(luò)輸入；Y為網(wǎng)絡(luò)輸出；a。,為輸入層到第一層隱含層第j個(gè)節(jié)點(diǎn)的閾 值；^為第i層隱含層到第i+1層隱含層第j個(gè)節(jié)點(diǎn)的閾值；w。,為輸入層與第一層隱含層 第j個(gè)節(jié)點(diǎn)之間的權(quán)值;']k為第i層隱含層中第j個(gè)節(jié)點(diǎn)到第i+1層隱含層第k個(gè)節(jié)點(diǎn)之 間的權(quán)值；b為最后一層隱含層到輸出層節(jié)點(diǎn)的閾值；叫為第i層隱含層的節(jié)點(diǎn)數(shù)；
【專利摘要】本發(fā)明公開了一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)直線電機(jī)定位力辨識(shí)方法，其步驟如下：步驟一：由加速度傳感器采集直線電機(jī)勻速拖動(dòng)數(shù)據(jù)并換算為定位力數(shù)據(jù)。步驟二：確定神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。步驟三：初始化神經(jīng)網(wǎng)絡(luò)各個(gè)參數(shù)。步驟四：定義遺傳算法適應(yīng)度函數(shù)為預(yù)測(cè)數(shù)據(jù)誤差。步驟五：將步驟三中的神經(jīng)網(wǎng)絡(luò)參數(shù)作為個(gè)體，執(zhí)行遺傳算法。步驟六：當(dāng)達(dá)到最大進(jìn)化次數(shù)時(shí)，結(jié)束遺傳算法優(yōu)化過(guò)程，得到最優(yōu)參數(shù)，進(jìn)行步驟七，否則執(zhí)行步驟五。步驟七：將最優(yōu)參數(shù)賦到神經(jīng)網(wǎng)絡(luò)。步驟八：訓(xùn)練神經(jīng)網(wǎng)絡(luò)更新參數(shù)。步驟九：達(dá)到訓(xùn)練次數(shù)，則用訓(xùn)練后網(wǎng)絡(luò)進(jìn)行辨識(shí)，否則執(zhí)行步驟八。本方法不需要定位力精確數(shù)學(xué)模型，不會(huì)產(chǎn)生由于數(shù)學(xué)模型不準(zhǔn)確而導(dǎo)致的理論誤差。
【IPC分類】G05B13/04
【公開號(hào)】CN105116724
【申請(qǐng)?zhí)枴緾N201510418937
【發(fā)明人】劉楊, 何良辰, 劉洋, 陳震宇, 宋躍, 王一光
【申請(qǐng)人】哈爾濱工業(yè)大學(xué)
【公開日】2015年12月2日
【申請(qǐng)日】2015年7月16日